【固收】引入混合神经网络的中长期国债收益率预测——量化学习笔记之二（张旭）

主要观点总结

本文介绍了光大证券研究团队对于使用混合神经网络模型来预测十年期国债收益率的研究。文章主要介绍了研究背景、方法、结论及风险提示。

关键观点总结

关键观点1: 研究背景

本文是光大固收团队量化学习笔记的第二篇，旨在通过构建包含宏观经济、货币政策、市场情绪等指标的输入变量来丰富模型的学习维度，并尝试优化预测效能。

关键观点2: 研究方法

研究采用了多种神经网络模型，包括LSTM、GRU、CNN和ATT，构建了多个网络模型进行对比实验，评估各模型对十年期国债收益率的预测效果。

关键观点3: 研究结果

研究发现单一GRU模型的综合预测表现最佳，且预测时间跨度越长，模型对收益率变化方向预测的准确性越高。最优模型预测，相较于2026年1月末，2月末的十年期国债收益率将下行约3个BP，相较于2025年底，2026年底十年期国债收益率将下行约6个BP。

关键观点4: 风险提示

研究也提示了模型存在的预测误差、过拟合风险以及市场结构性变化时的适应性不足等风险。